Влияние новостных данных на волатильность рынка Forex

Обсуждается модель Тэйлора и колебательное движение цен на рынке Forex. Данная модель способна объяснить, имеющее место, продолжительное увеличение волатильности, как реакцию участников рынка на новости. Исследования производится на основе публикаций основных макроэкономических индексов и новостей, которые хорошо известны участникам рынка и относительно легки для интерпретации.

Введение

В различного рода исследованиях широко распространенно сопоставление рыночной волатильности или изменчивости, с потоком информации на рынке Forex. Большое количество работ подтверждают факт существования периодов с большой и малой волатильностью данных, которые имеет длительную память (ARCH, GARCH модели). Определенно, «последовательность «обычных дневных новостей», взятых со страниц компании Reuters, а также многочисленные анонсы, не значительно воздействует на поведение рынка Forex. Тем не менее, главные экономические новости (CPI, PPI, money supply, trade deficits, GNP) оказывают воздействие на рыночный курс. Один, из хорошо известных примеров, это регулярные новости, выпускаемые в США в 8:30 по EST, связаны с отчетливыми всплесками волатильности (Andersen и Bollerslev). Harvey и Huang отмечают, что волатильность выше в бизнес время, при наличии макроэкономических новостей. Большое количество работ в области прогнозирования рынка подтверждают факт воздействия официальных новостей о проведении мировыми банками интервенций на курсы валют.

“Новости” могу рассматриваться как переменная, которую трудной определить количественно, так как они (новости) могут состоять из разнообразных событий начиная от запроса дилером котировки и кончая политическими или экономическими новостями, регулярными макроэкономическими данными, результатами технического анализа, экономическими прогнозами и пр.

В настоящей работе исследования строятся на базе упрощенной модели. По Flood, рынок Forex в целом, может быть представлен тремя типами действующих лиц – дилерами, брокерами и клиентами (частными лицами и компаниями). От участия брокеров в рынке можно абстрагироваться, поскольку брокеры сами не являются источниками информации. Брокеры стараются максимизировать прибыль и, как следствие стараются максимизировать количество сделок. Они котируют цены, и соответственно обладают информацией относительно наиболее конкурентоспособных уровней котировок. В интересы брокеров не входит распространение частной информации, но так как они котируют ask по самой низкой цене и bid по самой высокой для любого интересующегося «рыночной картиной» дилера, эта информация приобретает общественное значение. Клиентов так же можно исключить из анализа, поскольку спрос и предложение индивидуальных торговцев и фирм полностью определяется внешними, по отношению к рынку FOREX, причинами. Даже если приказы клиентов и играют какую-то информационную роль, отражая спрос-предложение для данного значения курса валюты, дилеры могут не учитывать эту информацию в своей деятельности. Поэтому, в дальнейшем, обсуждение ограничивается рассмотрением поведения дилеров и их взаимодействием между собой.

Обзор

Гипотеза неоднородности состоит в том, что различные условные ожидания трейдеров (основанные на различной частной информации или просто на различных процессах, образующих такого рода ожидания) приводят к различным ожиданиям новых цен, которые изменяются по мере поступления новостей. В результате торговля, проводимая по новым ценам, приводит к корректировке рыночной цены (которая принимается как средняя всех индивидуальных цен), что в свою очередь стимулирует дальнейшее обновление цен и так далее. В результате имеем продолжительную изменчивость в цене.

Проблема гипотезы частной информации (Н1) состоит в том, что не совсем ясно насколько важную роль играет частная информация на рынке Forex в терминах частого обновления информации. Мировые информационные агентства сообщают новости в режиме реального времени. Поскольку определяющим фактором для формирования обменного курса на рынке в основном играют макроэкономические данные, ни один дилер не может обладать инсайдерской информацией (с достаточной степенью точности) об этих переменных, что является достаточно важным для подтверждения неоднородности в ценах. Дилеры получают клиентские ордера, и могут принимать во внимание неоднородность, выявляя тем самым частный спрос и предложение. Хотя сигналы о спросе и предложении от фирм и частных лиц и дают разнородную информацию о величине обменного курса, это не означает, что эта информация является важной для внутридневных колебаний цены по следующей причине. Широко распространенным фактом является то, что дилеры стараются почти синхронно изменять свои котировки друг относительно друга, в не зависимости от истинного значения курса валюты, позволить себе расхождение в котировках относительно других дилеров, эквивалентно самоубийству, поскольку становится возможным проведение арбитражных операций на разнице в ценах по котировкам «отклонившегося» дилера. Недавние статьи Ito, Lyons и Melvin показывают важность частной информации на рынке Forex. Авторы исследовали распространение частной информации, в случае перерыва в торгах во время ленча на Токийской бирже (что является внешним событием и, что более важно, не относится к факторам общественной информации). В следующий, после обеденного час, было отмечено увеличение волатильности, что, позволило авторам связать данную ситуацию с влиянием частной информации, так как альтернативные причины этого - изменение общественной информации или пр., не подтверждались.

Даже если трейдеры владеют некоторой одинаковой информацией, они могут по разному ее интерпретировать, то есть может присутствовать неоднородность в процессе формирования ожиданий (Н2). Разные ожидания являются причиной того, что трейдеры торгуют в разных направлениях и различными объемами, что в свою очередь объясняет, почему волатильность имеет большое значение еще долго после выхода новостей, до устранения неопределенности. Конечно, такая ситуация может возникнуть по причине появления новостей, которые являются трудными для однозначной интерпретации в терминах воздействия на валютный курс, но это только часть информационного потока. Информационный поток, помимо всего прочего, состоит из однотипных новостей, которые легко интерпретировать, с которыми трейдеры имеют опыт толкования и которые успешно могут быть проанализированы с помощью экономического анализа (повседневные макроэкономические сообщения или комментарии официальных лиц относительно обменных курсов). Такие новости, даже если они изначально провоцируют различие в интерпретации, будут очень быстро выровнены, поскольку дилеры стараются уравнять свои котировки относительно доминирующих на рынке. Даже с разнородными ожиданиями относительно будущего курса валют, дилеры предпочитают получить прибыль от inventory position adjustment (проведения клиентских сделок), нежели от спекуляций на цене. Это приводит к увеличению объема транзакций, но ни как не к длительным изменениям в волатильности. Таким образом, если теория объясняет постоянство волатильности, необходимо принять и предположение о постоянстве потока не тривиальных новостей с высокой неопределенностью их трактовки, что идет в разрез с фактами.

Гипотеза смеси распределений (Н3) содержит предположение об автокоррелированности поступивших новостей, что в свою очередь приводит к образованию кластеров волатильности. Однако факты только частично подтверждают эту гипотезу. Объяснения, этого, представил Andersen в духе гипотезы смеси распределений, что дает два типа процессов поступления информации (Н4) – один с влиянием на торговый объем и с коротким взрывом в волатильности (выход макроэкономических данных) и второй автокоррелированный процесс поступления новостей, касающийся продолжительной волатильности. Помимо этого, Andersen и Bollerslev взяли за основу еще одно предположение. Они разложили волатильность на следующие компоненты:

• календарный эффект (внутридневная компонента);
• анонсируемая составляющая, вызванная сообщениями (краткосрочная компонента);
• основная долговременная компонента, которая, как они установили, связана с дневной составляющей и может быть описана в рамках ARCH подхода.

Было найдено, что программные новости повышают волатильность на несколько часов при основном воздействии, длящемся в течение 10-20 минут. Однако, по-прежнему, нет формальной теории, которая могла бы объяснить источник возникновения долгосрочной компоненты волатильности. В своих исследованиях высокочастотных данных на финансовых рынках, Goodhart и O’Hara привели две идеи для объяснения долгосрочной волатильности. Она может быть объяснена различными оперативными диапазонами времени (Н6) (то есть диапазон дилера может находиться в пределах часового интервала или меньше, тогда как такой интервал для клиентских фирм может составлять порядка месяца), так что выравнивание цен завершается только когда все агенты получили возможность выровнять свои спрос и предложение в соответствие с последними новостями. Иное возможное объяснение, трейдерам, после выхода новостей необходимо время для приведения своих ожиданий в соответствие с новостями. Однако авторы указывают на то, что до сих пор нет строго отлаженной теории медленного изменения волатильности и объяснения длительной памяти у рынка.

Данная статья представляет модель, которая использует идею установления колебательной корректировки (Taylor), применительно к рынку Forex. Эффект повышенной продолжительной волатильности получается в результате разнородной реакции дилеров во времени на новости (в терминах обновления котировок), в комбинации с «реальной стойкостью» (element of herding on quotes). Повышенная волатильность наблюдается даже после того, как дилеры получили возможность обновить свои котировки (то есть после их начальной реакции на новости). В зависимости от длительности основного ценового процесса, волатильность может оставаться на заметном уровне в течение длительного времени после выхода новостей. Предположение относительно различий в реакции трейдеров на событие ограничена, поскольку всегда существует предел, когда такие различия принимают нулевое значение. Ниже описаны данные, которые использовались для эмпирической иллюстрации работоспособности модели продолжительной повышенной волатильности, на выбранном наборе главных макроэкономических показателей. Исследования проводились с использованием 225 (3 часа 45 минут) минутных окон вокруг момента выхода сообщения, путем сравнения волатильности окна с текущим событием с волатильностью контрольной модели, собраны графические и численные результаты.

Модель

Теоретически, подход основан на модели Тейлора, основной концепций которой является колебательная релаксация корректировки. Тейлор использовал модель индексации заработной платы за последний год, которая индексируется каждые 6 месяцев. Если разделить рабочих на 2 группы, то 1-я группа имеет твердый оклад за период времени (t, t+1), а 2-я за (t-1, t) (период соответствует шести месяцам). Зарплата за промежуток времени t, это оклад, который является линейной комбинацией зарплаты за интервал t-1 и ожидаемой зарплаты за интервал t+1 (в данном примере строгость проявляется в устойчивости процесса установления заработной платы), а так же есть взвешенное среднее от превышения ожидаемого спроса за промежутки времени t и t+1 (аспект, связанный с фундаментальным принципом начисления зарплаты).

Применение модели к рынку Forex

Рынок Forex моделируется как совокупность взаимодействующих дилеров. Информация, передается по следующим каналам:

• от дилера к дилеру, хорошее качество информация имеет только в случае, когдасоответствует истинному обменному курсу,
• непосредственно через брокера – информация передается посредством котировок, которые поставляет брокер, информация имеет хорошее качество, если котировки располагаются на превалирующих ценовых уровнях,
• через информационные системы.

Типы действий, которые дилер может предпринимать в данный момент времени:

• запросить у брокера или коллеги-дилера мнение относительно уровня котировок;
• запросить брокера или дилера о его открытых позициях на рынке,
• принять запросы от клиентов или дилера по предоставлению котировок;
• обновлять котировки в информационных системах.

Предположим, что целью всех дилеров, так же является согласование данного уровня котировок. В такой децентрализованной ситуации могут, на протяжении относительно коротких интервалов времени, существовать различия в уровнях котировок. Такая ситуация может возникнуть из-за несовершенства централизованного механизма согласования информации о ценах. Поэтому первый вывод, который можно сделать из описания положения на рынке Forex это то, что обновления котировок разнородны по времени из-за различных скоростей обмена данными. Поэтому необходим механизм, который позволяет быстро обмениваться информацией между большим количеством агентов.

Вторая особенность, которая имеет особое значение, это то, что те дилеры, которые вынуждены котировать цены до того как полностью осознали влияние новостей на котировки, также будут вносить изменения в свои котировки, из-за опасения остаться «вне рынка» и, что по его котировкам проведут арбитраж. Поэтому обновление котировок изначально представляет собой двоякую комбинацию изначальных превалирующих котировок и котировок, чьи уровни полостью обусловлены воздействием новостей. Так что даже в случае отсутствия гетерогенности, обсужденной выше, выявляется, что процесс корректировки цен не будет иметь мгновенный характер.

Третья и последняя особенность – колебательное обновление данных. Такой характер обновления данных может быть причиной стратегии ожидания одной части дилеров другой для изменения котировок. Так же, это может быть результатом сложности координирования уровня котировок из-за специфики рынка. Истинным намерением трейдеров является уловить момент неуверенности других трейдеров, когда они сами чувствуют уверенность в возможности получения прибыли, что так же может вести к смещению котировок. Конечно, первоочередная задача дилера забота о сделках, а не обновление котировок.

Модель подразумевает, что котировки обновляются немедленно после новостей. Задержки однако, могут присутствовать даже после того, как уже сделан один круг обновления (когда каждый дилер поменял котировку), начиная с урегулирования открытых позиций и заканчивая процессом обмена котировками между дилерами, и приказов клиентов и других дилеров на совершение сделок, поток информации продолжает идти с большой частотой вплоть до заключительного ценового регулирования. Чтобы подвести итог, реальные жесткие условия работы на рынке Forex, могут сильно растягивать во времени процесс ценового урегулирования. Что в свою очередь, согласно модели Тейлора, приводит к постоянной повышенной волатильности.

Применение к волатильности

Следующий пример наглядно иллюстрирует продолжительную повышенную волатильность. Предположим, что только два дилера определяют цены в произвольные промежутки времени (котировки первого дилера для нечетных t, а котировки второго дилера для четных t). Предположим, что истинный курс валюты не известен дилерам (дилеры гомогенны). Первый дилер использует котировки, значение которых лежит между предполагаемым приближением к истинному значению и котировками своего конкурента, второго дилера:

 . Обозначим за преобладающую рыночную цену. Далее, пусть

Предполагая, что в первом периоде имеется нарушение экономического равновесия, имеем увеличение волатильности, которое, однако, с течением времени исчезает:

Интуиция подсказывает, что волатильность будет постепенно возрастать от нуля до [k**(t-1) *(1+k)]/4 по мере увеличения t от 0 до t. Если предположить, что дилеры имеют оценки для некоторого элемента е из группы шоковых элементов для момента времени t=0, который возрастает с ростом t, то дилеры будут вынуждены сдвинуть котировки от предыдущих равновесных значений. Этот простой пример иллюстрирует эмпирическое явление, но не раскрывает весь потенциал модели, описывающей некоторые наблюдаемые нюансы поведения волатильности. Предположения, лежащие в основе данной модели, могут быть использованы и в других задачах, причем модификации могут касаться только изменения весов приписываемых предыдущим котировкам в зависимости от ожидаемых фундаментальных данных, в результате чего могут быть получены различные модели поведения волатильности.

Описание данных

Набор данных содержал потиковые спот котировки DЕM/USD, компании Reuters для интервала с 18.08.89. по 15.08.95. Для некоторых дней доступна также информация о проведенных FED интервенциях. Данные содержат дату и время каждой котировки, bid и ask, источник, и indicator bid of validity of the quote (the O&A filter flag). Из промежутка времени между 1987 и 1995 годами произвольно выбран контрольный пример продолжительностью 25 дней, в течение которого не было интервенций, и который является подходящим дополнением к «интервенционной» модели, описанной выше.

Новости брались от агентства Reuters (Money Market Headline News), которые имеют дату и время выхода. Анализируемые новости охватывают такие события как торговая активность на рынке Forex, изменения на рынках акций и золота, изменения процентных ставок, ставки по векселям и облигациям (T-bill, Bond), фьючерсам и опционам стран, входящих в организацию экономического сотрудничества и развития и многие другие сведения. Такая выборка данных содержит наиболее значительную часть всех новостей – макроэкономические данные, сообщения об интервенциях, основные международные политические и экономические события, озвученные официальными лицами и ЦБ. Макроэкономические фундаменталии таких стран как США, Великобритания, Германия, Япония по значимости перекрывают информацию о фундаменталиях других стран участников организации экономического сотрудничества и развития. Принципы подготовки для обработки таких массивов данных, с учетом разной терминологии и большого числа попутных проблем выходят за рамки настоящей работы. Тем не менее, основные макроэкономические новости были обработаны и выделены без потери качества. Модель фильтрации новостей использовала следующие критерии:

1. Новости должны касаться США и Германии, поскольку исследуется рынок DЕM/USD;
2. Новости должны содержать стандартные, широко известные всем, легко понимаемые макроэкономические переменные, например: цену, денежную массу, занятость, национальный доход, процентные ставки.

Были собранны новости для следующих переменных:

по США:

• CPI/PPI,
• денежная масса,
• торговый баланс,
• потребительский кредит,
• розничные продажи,
• валовой национальный продукт,
• ведущие индикаторы,
• занятость;

по Германии:

• M3,
• дисконтная/ломбардная ставки Бундесбанка.

Предполагалось, что все перечисленные выше макроэкономические переменные, влияют на волатильность посредством схожих процессов. Эта рабочая гипотеза в дальнейшем была несколько смягчена с учетом продолжительности воздействия и разной величины его в зависимости от различных типов новостей. Вопрос, который не рассматривался, это детальное исследование различных классов информации, их классификация по предмету новостей и других характеристик, классификация по типу, характеру и контроль соотношения между классами информации и процессом ценового урегулирования. Таким образом, данный пример акцентирует внимание на общем принципе механизма связи новость - волатильность, абстрагируясь от специфического содержания сообщений.

Все сообщения, включающие вышеперечисленные переменные на протяжении контрольного периода были извлечены из базы новостей Reuters. Результирующая модель содержала 80 сообщений. Так как целью являлся выбор новостей, которые вероятно имеют наиболее сильное влияния на цены, не были приняты во внимание 13 сообщений, поскольку они содержали выражения «не было никаких изменений в…соответствующих макроэкономических данных». Однако, следует отметить, что даже не смотря на то, что не было никаких изменений в соответствующих переменных, это вовсе не означает того, что эти сообщения не содержали элемента неожиданности (дилеры могли с большой вероятностью наоборот ожидать изменений, в то время как они не произошли). Далее были отфильтрованы непредвиденные сообщения, а также сообщения, содержание которых было слишком близким по смыслу, и, поэтому учет их всех мог бы привести к запутыванию модели. Это уменьшило модельный ряд сообщений до 59 (см. Таб.1).

Так как доступные данные совпадают с днями проведения интервенций, есть проблема потенциального «загрязнения» результатов эффектами, вызванными интервенциями. Для контроля за этими эффектами, было создано два набора, один и которых содержал новости  извлеченные из всей совокупности, выходящие в периоды интервенций, касающиеся трех крупнейших банков - FED, Бундесбанк (BB) и банк Японии. Второй набор, или модель «без интервенций», из которой были извлечены все сообщения по времени отстоящие не более чем на 90 минут от интервенции. Это уменьшает модель до 51 сообщения (см. Таб.2). Расчеты проводились для этих 2-х моделей, для доказательства устойчивости результатов.

Обработка данных

Ценовой ряд - фильтрация

Для обеих моделей, для получения ценовых рядов рынка Forex, из тиковых изменений цен были исключены все «неверные» котировки в соответствии с критериями (Olsen и Associates), когда на лицо большой разнобой в котировках и видно, что данная котировка результат ошибки (invalid filter flag Olsen and Associates, O&A). Далее, фильтр был сконструирован так, чтобы избежать возникновения котировок, чьи уровни незначительно отличается от предшествующего уровня, т.е. не происходит никаких сильных изменений в цене. Фильтр так же исключал котировки, которые представлены в виде одиночного пика относительно предшествующих и последующих котировок. Такого рода фильтр используется в литературе для улучшения ценовой последовательности. Dacorogna и другие доказали, что подобного рода данные требуют фильтрации. Авторы убеждены, что некоторые цены должны быть отфильтрованы, поскольку они являются составной частью обычных котировок. Рассмотренный аспект фильтрации данных в литературе называется «real-time фильтр». Так же, для того чтобы уменьшить количество исследуемых данных и из всего потока извлечь только необходимые котировки, выше упомянутые авторы рекомендуют удалить из данных те цены, которые очевидно повторяют предыдущие. Такого рода фильтр называется «сравнительный фильтр». Фильтр, который использовался, исключал из рассмотрения следующие величины: те котировки, протокольные цены Log(bid) и соответственно Log(ask) которых отличаются от предшествующих не менее чем на 0.003% или более чем на 0.08%.

Используя фильтрацию последовательностей bid и ask цен, получившаяся цена представляет собой среднее значение от bid и ask цен. Для решения проблемы неравномерно распределенных данных, в заключение строился регулярный 5-и минутный ценовой ряд, следуя широко используемой методологии взвешивания двух котировок, непосредственно идущих друг за другом. Следуя указаниям, получим 1 . . = t t t p p R , где t= 0:05, 0:10, ….23:55, 24:00.

Новостной ряд

В литературе указывается, что повышенная волатильность после выхода новостей может длиться более часа. Окно событий в данной статье имеет 45 5-минутных периодов, общим размером 3ч. 45 мин., включающее 21 период (1ч. 45 мин.) перед сообщением, время события (0), и 23 периода (1ч. 55мин.) после сообщения.

Конструирование новостного и контрольного примеров

Для каждого сообщения, анонсируемого в день d и время t, отбирались котировки R(d, t- 21)…R(d, t+23), где t измеряется 5-минутным периодами. В результате была получена матрица, размером 59 событий на 45 периодов, после чего для каждого из 59 событий рассчитывались отклонения для каждого периода: V(t-21)…V(t+23). Контрольная модель конструировалась путем синхронизации новостного потока и ценового ряда по времени. По подсчитанной контрольной матрице, рассчитывались отклонения Vc(t-21)…Vc(t+23).

Результаты

Сравнение волатильности в новостной и контрольной моделях изображено на Рис.1. Имеем отчетливый пик волатильности, который начался в момент выхода события (0), время жизни которого 10-20 минут. Волатильность остается повышенной на протяжении 1 ч. 20 мин. после выхода сообщения. Т.е., результаты типичных расчетов, приведенных в литературе, подтверждаются этой моделью. Использование модели, очищенной от влияний интервенций, не изменяет полученного результата (см. Рис.2).

Хотя рисунки и иллюстрируют точные пики в момент выхода сообщений, возможно совпадение и в действительности отсутствие влияния новостей на цену. Непосредственной проверкой этого является повторение расчетов волатильности, для различных групп новостей, относящихся к различным макроэкономическим переменным. В дальнейшем это позволит рассмотреть различные выборы вариантов расчета времени, величины и степени воздействия каждой макроэкономической переменной на волатильность. Что касается последнего варианта, то необходимо важное уточнение. Дело в том, что не совсем ясно, является ли предмет сообщения (в данном случае – макро переменная) уместной характеристикой, которая определяет, как новости влияют на цену и то, как много времени потребуется для урегулирования цены в  соответствии с вышедшими новостями.

Табл.I. Окно новостей

Табл.2. Интервенции

Полный пример
Интервенция     Контроль
2.15**                 2.42**

Критическое значение F (44.2610)= 1.38     5%
                                                             1.57     1%

Модель без интервенции
Интервенция     Контроль
1.70**                 2.15**

Критическое значение F (44.2250) = 1.38    5%
                                                              1.57    1%

Рис.1. Волатильность новостной и контрольной модели.

Рис.2. Волатильность новостной и контрольной модели, модель без интервенций.

Приложение I

Процентное изменение предыдущих значений цен bid и ask:

PC (bid) = {log[bid(t)]-log[bid(t-1)]}/log[bid(t-1)]
PC (ask) = {log[ask(t)]-log[ask(t-1)]}/log[ask(t-1)]

рассчитаны для полной модели. Получено следующее распределение вероятностей PC (bid) и PC (ask), нормированное на 1/100,000. Величины PC разделены по 79 секторам:

1. < 3/100,000 (приблизительно 1100 котировок за день из 4000 в среднем)
2. 3/100,000 – 4/100,000
3. 4/100,000 – 5/100,000
….
78. 79/100,000 – 80/100,000
79. > 80/100,000 (приблизительно 70 котировок за день из 4000 в среднем)

Приложение II

Учитывая следующую последовательность котировок:

….
[bid(t-2) ask(t-2)],
[bid(t-1) ask(t-1)],
[bid(t) ask(t)],
[bid(t+1) ask(t+1)],
….

и время T их появления с учетом 5-и минутного интервала (скажем время T 10:05:00 по Гринвичу). При этом t-1<T<t, то цена p(T) рассчитывается по следующей формуле:

p(T)={wa*[log(bid(t-1))+log(ask(t-1))]/2 + wb*[log(bid(t))+log(ask(t))]/2}*(wa+wb),

где wa – промежуток между T и t в секундах, а wb – промежуток между t-1 и T, выраженное в секундах.